Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Approach to Analysis the Surface Geometry Change in Cultural Heritage Objects Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

A New Texture Descriptor: The Homogeneous Local Binary Pattern (HLBP)

verfasst von : Ibtissam Al Saidi, Mohammed Rziza, Johan Debayle

Erschienen in: Image and Signal Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper presents a simple and novel descriptor named Homogeneous Local Binary Pattern (HLBP) for texture analysis. The purpose of this description is to improve the Local Binary Pattern (LBP) approach basing on the impact of criterion homogeneous region using General Adaptive Neighborhood (GAN) principle. HLBP method is generated by using the criterion homogeneity which helps to represent a significant feature based on relationships between neighboring pixels. The main idea of HLBP is to threshold the distance between the current pixel and each of its neighbors with a homogeneity tolerance value which correspond more to the underlying spatial structures consequently allow extracting highly distinctive invariant features of the image. To assess the performance of the our proposed descriptor, we use “Outex" database and compared with the basic (LBPs). The experimental results show that the proposed Homogeneous Local Binary Pattern gives a good performance in term of classification accuracy.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Graph-Based Image Retrieval: State of the Art
Nächstes Kapitel Considerably Improving Clustering Algorithms Using UMAP Dimensionality Reduction Technique: A Comparative Study
Literatur
1.
Arof, H., Deravi, F.: Circular neighbourhood and 1-D DFT features for texture classification and segmentation. IEE Proc.-Vis. Image Sig. Process. 145(3), 167–172 (1998)CrossRef
2.
Chen, J.L., Kundu, A.: Rotation and gray scale transform invariant texture identification using wavelet decomposition and hidden Markov model. IEEE Trans. Pattern Anal. Mach. Intell. 16(2), 208–214 (1994)CrossRef
3.
González-Castro, V., et al.: Texture descriptors based on adaptive neighborhoods for classification of pigmented skin lesions. J. Electron. Imaging 24(6), 061104 (2015)CrossRef
4.
Guo, Z., Wang, X., Zhou, J., You, J.: Robust texture image representation by scale selective local binary patterns. IEEE Trans. Image Process. 25(2), 687–699 (2015)MathSciNetCrossRef
5.
Heikkilä, M., Pietikäinen, M., Schmid, C.: Description of interest regions with local binary patterns. Pattern Recognit. 42(3), 425–436 (2009)CrossRef
6.
Jin, H., Liu, Q., Lu, H., Tong, X.: Face detection using improved LBP under Bayesian framework. In: Third International Conference on Image and Graphics (ICIG 2004), pp. 306–309. IEEE (2004)
7.
Kokare, M., Biswas, P., Chatterji, B.: Rotation-invariant texture image retrieval using rotated complex wavelet filters. IEEE Trans. Syst. Man Cybern. Part B (Cybern.) 36(6), 1273–1282 (2006)CrossRef
8.
Lam, W.K., Li, C.K.: Rotated texture classification by improved iterative morphological decomposition. IEE Proc.-Vis. Image Sig. Process. 144(3), 171–179 (1997)CrossRef
9.
Liao, S., Law, M.W., Chung, A.C.: Dominant local binary patterns for texture classification. IEEE Trans. Image Process. 18(5), 1107–1118 (2009)MathSciNetCrossRef
10.
Liu, L., Lao, S., Fieguth, P.W., Guo, Y., Wang, X., Pietikäinen, M.: Median robust extended local binary pattern for texture classification. IEEE Trans. Image Process. 25(3), 1368–1381 (2016)MathSciNetCrossRef
11.
Ojala, T., Pietikainen, M., Maenpaa, T.: Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell. 24(7), 971–987 (2002)CrossRef
12.
Pinoli, J.C., Debayle, J.: General adaptive neighborhood mathematical morphology. In: 2009 16th IEEE International Conference on Image Processing (ICIP), pp. 2249–2252. IEEE (2009)
13.
Satpathy, A., Jiang, X., Eng, H.L.: LBP-based edge-texture features for object recognition. IEEE Trans. Image Process. 23(5), 1953–1964 (2014)MathSciNetCrossRef
14.
Tan, X., Triggs, B.: Enhanced local texture feature sets for face recognition under difficult lighting conditions. IEEE Trans. Image Process. 19(6), 1635–1650 (2010)MathSciNetCrossRef
15.
Tuceryan, M., Jain, A.K.: Texture analysis. In: Handbook of Pattern Recognition and Computer Vision, pp. 235–276. World Scientific (1993)
16.
Zhang, B., Gao, Y., Zhao, S., Liu, J.: Local derivative pattern versus local binary pattern: face recognition with high-order local pattern descriptor. IEEE Trans. Image Process. 19(2), 533–544 (2009)MathSciNetCrossRef
17.
Zhao, Y., Huang, D.S., Jia, W.: Completed local binary count for rotation invariant texture classification. IEEE Trans. Image Process. 21(10), 4492–4497 (2012)MathSciNetCrossRef
Metadaten
Titel
A New Texture Descriptor: The Homogeneous Local Binary Pattern (HLBP)
verfasst von
Ibtissam Al Saidi
Mohammed Rziza
Johan Debayle
Copyright-Jahr
2020
Buch
Image and Signal Processing

Print ISBN: 978-3-030-51934-6

Electronic ISBN: 978-3-030-51935-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-51935-3_33

Premium Partner

    Bildnachweise